因果関係と因果関係
因果関係と因果関係
相関は変数の関節の変化を捉えます。因果関係は質問に答えます。私たちが介入した場合はどうなりますか？分析、製品およびリスク管理において、価値は正確に因果効果をもたらします。これにより、関連付けだけでなく、ソリューションからのインクリメントを評価することができます。
1）基本的な概念
相関（関連）：「なぜ」を解釈せずに統計的関係。"共通の原因、逆の因果関係、または偶然によって引き起こされる可能性があります。
治療効果：「介入」と「介入なし」の世界の予想される違い。
対面：「影響なしで同じオブジェクトに何が起こるか」という不可能な観察。
Confounder：原因と結果の両方に影響を与える変数→偽の関係を作成します。
Collider：原因と結果の両方の影響を受ける変数。衝突者の状態は関連を歪めます。
シンプソンパラドックス：隠された変数/セグメントを考慮した後、効果の方向が変化します。
2）相関関係が十分でない場合
説明分析、モニタリング、EDA：相関/ランク/ヒートマップ→仮説とリスクを検出します。
意思決定と影響評価：因果法（実験または準実験）が必要です。
予測モデル：相関は有用ですが、ROI/ポリシー-因果推定またはアップリフトモデルに移行します。
3）実験： ゴールドスタンダード
A/Bテスト（ランダム化）：混同を排除し、グループを同等にする。
ガードレール：行動の1サイクル≥持続時間、安定した露出、季節性と干渉の制御（スピルオーバー）。
メトリクス：エフェクト、信頼区間、MDE/パワー、セグメント別エフェクトの異種性（異種処理効果）。
練習：カナリアリリース、段階的なロールアウト、分散を減らすためのCUPED/共変制御。
4）実験ができない場合： 準実験
Difference-in-Difference （DiD）：「テスト」と「コントロール」の前後の変更の違い。"主な前提は、介入前の並行傾向です。
合成制御：ドナー群の加重混合物として「合成」制御を構築します。異なった傾向のダイナミクスに対して抵抗力がある。
地域の不連続（RDD）：影響を割り当てるためのしきい値ルール；しきい値の両側の比較。重要：しきい値の「操作」はありません。
器械変数（IV）：変数は「処置」に影響を与えますが、（処置によってを除いて）結果に直接影響を与えません。必須：機器の関連性と有効性。
PSM/マッチング：同様の共変数でテストと制御。前処理として有用、しかし隠されたconfoundersを除去しません。
中断された時系列（ITS）：他のショックがない場合のポリシー・ポイントでのトレンド・ブレイクの評価。
5）因果グラフと「穴」の基準"
DAG（オリエンテッドアサイクリックグラフ）：因果関係の視覚的マップ。監視する変数を選択するのに役立ちます。
バックドア基準：すべてのバックパス（コンファウンダー）をブロックします。バイアスのないエフェクト推定値が得られます。
フロントドアの基準：私たちは、隠されたコンファウンダーを迂回するために完全に影響を及ぼす仲介者を使用します。
結果のコライダーと子孫を制御しないでください：これは変位を作成します。
練習：最初にドメインの専門家とDAGを描画し、次に共変数の最小セットを選択します。
6）潜在的な成果と効果の見積もり
ATE/ATT/ATC：すべての/扱われた/制御の平均効果。
CATE/HTE：セグメント（国、チャネル、リスククラス）による効果。
アップリフトモデリング：イベントの初期確率ではなく、介入から期待される増加によってオブジェクトをランク付けするモデルを教えます。
7）頻繁なトラップ
逆因果性：「需要の減少↔割引の増加」-割引は下落に反応し、その逆ではありません。
欠落している変数：未報告の株式/季節性/地域の変更。
生存者バイアス：「残り」のみの分析。
漏洩：トレーニング/評価における将来の情報の使用。
ミキシングメトリック：ビジネスエフェクト（Goodhart）の代わりにプロキシメトリックを最適化します。
平均への回帰：自然はトレンドマスク「効果」に戻ります。
8）製品、マーケティング、リスクの因果関係
マーケティング/キャンペーン：アップリフトターゲティング、差別化された接触周波数、因果LTV評価、DiD/合成制御ROMI。
価格/プロモーション：RDD（閾値ルール）、SKU/リージョンサンプリング実験。
勧告：政策外の評価（IPS/DR）と盗賊；干渉を考慮しています。
不正防止/RGポリシー：因果関係に注意してください-変更行動とデータをロックします。FPRとアピールに準実験とガードレールを使用します。
運用管理：リリースおよびインシデントのITS；RCAの因果グラフ。
9）分析手順： 仮説から解決まで
1.この問題を因果関係として定式化する： 「Xが地平線TのYに及ぼす影響は？」
2.DAGを描画する：ドメインとの座標化、confounders/mediators/collidersをマークします。
3.デザインを選択：RCT/A-B、 DiD、 RDD、 IV、合成制御、マッチング。
4.メトリクスの定義：メイン（エフェクト）、ガードレール（品質/倫理/操作）、CATEセグメント。
5.データを準備する：ポイント・イン・タイム、「before」インパクト、カレンダー、季節性。
6.効果の評価：ベースラインモデル+ロバストテスト（プラセボ検査、感度）。
7.堅牢性を確認してください：代替仕様、疑わしい共変量の除外、残存ワンアウト。
8.アクションに入れます：ポリシー/ロールアウト、SLO、監視とドリフト時の再テスト。
10）ロバストの実践と検証
トレンドチェック前（DiD用）：テスト/コントロールの傾向は、介入前に類似しています。
プラセボ/順列：「架空の日付」または「架空のグループ」-効果は消えなければなりません。
感度分析：どのくらいの隠された混乱が結果を歪めます。
境界/pi間隔：部分的に識別可能なモデル→信頼範囲。
複数のセグメントの複数のテストBH/ホルム調整。
外部有効性：他の市場/チャネルへの影響の移植性（メタ分析）。
11）エフェクトレポートの指標
絶対効果：単位でΔ （pp、 cu、分）。
相対効果：％からベースライン。
NNT/NNH： 1つの結果/害を達成するために処理する必要があるオブジェクトの数。
費用対効果：効果/コスト；予算の優先順位。
Uplift@k/Qini/AUC：対象となる介入のための。
12） ML実践における因果関係
因果関係の特徴：常に予測精度を向上させるのではなく、ポリシーに適しています。
Causal Forest/Meta-learners （T/X/S-Learner）： CATEスコアと個人的なアップリフト。
反面公平性：因果経路を考慮したモデルの公平性；「不公平な」パスをブロックします。
Do-op vs predict： "predict'と"what if done"を区別します。"2番目は因果モデル/エミュレータが必要です。
13）因果チェックリスト
- 質問は介入/政策効果として組み立てられています
- DAGによって構築され、合意されました。選択された共変数（バックドア）の最小セット
- 選択された設計（RCT/準実験）とテストされた主な仮定
- ポイントインタイムデータ；除外された面；カレンダー/季節性を考慮
- 計算された効果と信頼間隔；ロバストチェックが行われました
- 影響異質性（CATE）およびリスク（ガードレール）評価
- 数値化（ROI、 NNT/NNH、エラーコスト）
- 実施とモニタリング計画；条件の再テスト
14）ミニ用語集
バックドア/フロントドア：効果識別のための共変数を選択するための基準。
IV（器械変数）：処置を変える「レバー」が直接結果ではない。
DiD：グループ間の変更の前後の違い。
RDD：ルールのしきい値に近い効果推定値。
合成制御：ドナーの加重組み合わせとして制御。
HTE/CATE：セグメントによる異種/条件付き効果。
アップリフト：イベントの確率ではなく、インパクトから期待される増加。
［結果］
相関は仮説を見つけるのに役立ち、因果関係は決定を下すのに役立ちます。DAGを構築し、適切な設計（実験または準実験）を選択し、仮定と堅牢性をテストし、異質な効果を測定し、結論をガードレールとモニタリングでポリシーに変換します。だから、アナリティクスは「接続について」ではなくなり、変化のエンジンになります。